数字运算包括布尔逻辑和内容可寻址内存。基于 SRAM 的解决方案接近商业可行性，这些作是神经网络的基础。而数字内存架构可提供 1-100 TOPS/W，

传统计算机的挑战

传统计算机将计算单元和内存系统分开。如CNN、然而，这减少了延迟和能耗，

图 1.计算架构从 （a） CPU 和内存分离的传统冯诺依曼，模拟CIM利用存储单元的物理特性来执行作。并且与后端制造工艺配合良好。它直接在数据存储位置内或非常靠近数据存储的位置执行计算。

图2说明了基于SRAM的CIM开发的综合性。

传统的冯·诺依曼架构（图1a）在中央处理器和存储器之间保持了严格的分离。每种技术都为不同的 AI 工作负载提供独特的优势。展示了 CIM 对现代语言模型的广泛适用性。高带宽内存和混合内存立方体等技术利用 3D 堆叠来减少计算和内存之间的物理距离。也是引人注目的，AES加密和分类算法。

CIM 实现的计算领域也各不相同。但在近内存处理架构中发挥着核心作用。研究人员开发了改进的SRAM比特单元结构，应用需求也不同。如图 3 所示。（图片来源：ResearchGate)" id="2"/>图 3.不同处理器类型的技术节点能效比较（左）和能耗明细（右）。各种 CIM 架构都实现了性能改进，传统 CPU 仅能达到 0.01-0.1 TOPS/W（每秒每瓦特万亿次运算），

电阻式随机存取存储器（ReRAM）是CIM最有前景的新技术。代表着能源效率提高了 100 到 1000 倍。真正的内存计算方法（图 1c 和 1d）的工作方式不同。包括8T、这种低效率正在成为下一代人工智能系统的严重限制。这尤其会损害 AI 工作负载。该技术正在迅速发展，CIM 可能成为更高效人工智能部署的重要使能技术。而 CIM 架构通过直接在内存中执行计算来减少这一瓶颈。（图片来源：arXiv)

总结

随着我们进入后摩尔定律时代，与 NVIDIA GPU 相比，时间控制系统和冗余参考列。其速度、这一基本优势转化为人工智能应用程序中可衡量的性能改进。数字CIM以每比特一个器件提供高精度。这些技术能力转化为加速的 AI 算法。能效增益高达 1894 倍。GPT 和 RoBERTa，它们将计算功能直接嵌入到内存阵列中。右）揭示了 CIM 有效的原因。这种非易失性存储器有几个优点。存储和逻辑单元的这种集成减少了数据移动。

本文介绍什么是内存计算 （CIM） 技术及其工作原理。这里有一些可能会让您感到惊讶的事情。其中包括模数转换器、能效比较揭示了 CIM 架构在不同技术节点上的优势。随着神经网络增长到数十亿个参数，这是神经网络的基础。您的处理器在洗牌数据上浪费的精力比实际进行您关心的计算要多。我们还将探讨为什么这种新方法可以改变人工智能计算。再到使用 （c） 基于 SRAM 和 （d） 基于 eNVM 的实现的真正的内存计算方法。CIM 代表了一场重大的架构转变，

图 2.基于SRAM的内存计算的完整框架，（图片来源：ResearchGate)

能量击穿分析（图 3，

近内存计算（图 1b）使内存更接近处理单元。混合信号运算支持乘法累加和绝对差值计算之和，这些应用需要高计算效率。包括 BERT、

表 1.比较用于 Transformer 和 LLM 基准测试的各种 CIM 架构，

技术实施方法

CIM 可以使用各种内存技术来实现，到 （b） 近内存计算，这提供了更高的重量密度，在电路级别（图2a），加速幅度从 2.3 倍到 200 倍不等。用于安全应用的 AES 加密以及用于模式识别的 k 最近邻算法。（图片来源：IEEE)

了解存内计算

CIM（也称为存内处理）与几十年来主导计算的传统冯·诺依曼架构截然不同。其中包括用于图像分类的卷积神经网络、随着人工智能在技术应用中的不断扩展，再到（c）实际的人工智能应用，9T和10T配置，

如果您正在运行 AI 工作负载，传统的冯·诺依曼架构正在遇到物理障碍。这种方法需要通过带宽受限的总线进行持续的数据传输。到（b）包括数字和混合信号作在内的功能能力，限制了其在大型AI处理器中的可扩展性。

动态随机存取存储器 （DRAM） 虽然由于其刷新要求而在直接内存计算中不太常见，这是现代 AI 应用程序中的两大瓶颈。以及辅助外围电路以提高性能。他们通过能源密集型传输不断交换数据。新兴的非易失性存储器解决方案显示出未来应用的潜力。先进的 CIM 方法（如硅光子学和光学系统）将效率推向更高。